短期电力负荷预测的准确性对电力系统的运营和规划至关重要。提出一种基于相似日的多模型融合方法（Similarity-based　Multi-Model　Fusion　Method,SMFM）。首先，利用灰色关联分析法（Grey　Relational　Analysis,GRA）和平均基准负荷日选取相似日。其次，采用Stacking算法进行两阶段预测。第一阶段，采用极端梯度提升模型（Extreme　Gradient　Boosting,XGBoost）、轻量级梯度提升机（Light　Gradient　Boosting　Machine,LightGBM）以及卷积神经网络与双向长短期记忆（Convolutional　Neural　Network　combined　with　Bidirectional　Long　Short-Term　Memory,CNN-BiLSTM）网络融合模型。第二阶段，采用了多层感知器（Multilayer　Perceptron,MLP）模型，以进一步提高预测的准确性。实验结果表明，所提出的方法在均方误差（Mean　Squared　Error,MSE）、均方根误差（Root　Mean　Squared　Error,RMSE）和平均绝对误差（Mean　Absolute　Error,MAE）方面，较其他负荷预测模型有所提升。